傳感器數(shù)據(jù)與融合 第五章

1、傳感器數(shù)據(jù)與融合 第五章第1頁，共67頁，2022年，5月20日，21點29分，星期日5.1 引言1. 身份融合：就是根據(jù)各個傳感器給出的帶有不確定性的身份報告或說明進一步進行信息融合處理,對所觀測的實體給出聯(lián)合的身份判斷。 2. 位置估計與身份識別的聯(lián)系 兩者互補且可以交替進行。 3. 身份說明的例子戰(zhàn)術(shù)飛機上裝載威脅告警傳感器，以確定是否有武器制導裝置（如激光或?qū)椫茖Ю走_）照射該飛機；使用雷達截面積，確定一個實體是否是火箭體、飛機、雷達站或艦艇；敵中我識別（IFFN)設備使用特征波形和有關(guān)數(shù)據(jù)來識別敵我飛機；非軍事：機器人語音識別、視覺；汽車雷達防碰撞；機場安檢等等第2頁，共67頁，20

2、22年，5月20日，21點29分，星期日4 . 單一傳感器身份說明的思想趙宗貴書P136 圖5-1第3頁，共67頁，2022年，5月20日，21點29分，星期日單一傳感器身份識別分為兩步：特征提取和身份說明特征提取把來自傳感器的數(shù)據(jù)輸出變換為這些數(shù)據(jù)的特征表達式。 特征是基于模擬、數(shù)字和圖像數(shù)據(jù)導出。特征：是在識別處理中可能有用的數(shù)據(jù)的表達式。1）基于特征的可識別性；2）通過特征抽象壓縮信息。身份識別：把特征向量變換到特征空間的一個區(qū)域。 基于特征空間對不同類別目標的可分離性。身份處理的困難在于：表示不同實體的特征空間區(qū)域相互覆蓋時，該模糊情況導致無法只依據(jù)基本觀測特征說明一個唯一的身份。第4

3、頁，共67頁，2022年，5月20日，21點29分，星期日有監(jiān)督的學習：兩階段的操作：訓練：取自已知實體的數(shù)據(jù)，用于確定把特征空間劃分成多個區(qū)域的邊界，每個區(qū)域確立一個目標或?qū)嶓w的身份；建立特征向量與身份的對應關(guān)系；識別：利用模式識別技術(shù)，通過確定觀測向量對特征空間中的判定邊界的位置，對各個特征向量進行分類。無教師的學習根據(jù)測試樣本的內(nèi)在關(guān)聯(lián)聚類。第5頁，共67頁，2022年，5月20日，21點29分，星期日5.2 特征提取特征是原始數(shù)據(jù)的一種抽象，其目的是提供一個簡化的數(shù)據(jù)集合，該集合能精確、簡化地表示原始信息所描述的對象。獲取特征的過程稱為特征提取。特征提取實際上是將原始據(jù)從數(shù)據(jù)空間到特征

4、空間的一種變換特征提取和數(shù)據(jù)壓縮 數(shù)據(jù)壓縮：尋求數(shù)據(jù)的一種壓縮形式，有精確重構(gòu)的要求； 特征提?。毫D尋求能輔助識別過程的數(shù)據(jù)表證；不需要重構(gòu) 基于特征的成功識別依賴于對特征空間中能夠提供可分離區(qū)域的特征的選取特征選擇必須基于物理模擬或?qū)嶒灒嚎捎^測性、正交性和不變性第6頁，共67頁，2022年，5月20日，21點29分，星期日1.常用特征幾何特征：能表現(xiàn)目標的幾何尺寸/形狀；如邊緣、線、線長、線關(guān)系（平行、垂直）、弧、圓、大小、區(qū)域結(jié)構(gòu)特征在多維空間內(nèi)表征圖像各部分的比例和關(guān)系樣式：統(tǒng)計特征用于局部和總體圖像級表征圖像數(shù)據(jù)：表面數(shù)、矩、均值方差時域特征脈沖表征（下降時間、上升時間、幅度、脈寬）

5、、脈沖重復周期、瞬時擾動、脈沖與周圍噪聲環(huán)境的關(guān)系頻域特征時頻域特征小波、Wigner-Ville分布第7頁，共67頁，2022年，5月20日，21點29分，星期日2.不同信息源的有效特征傳感器信號形式有用特征ELINT接收機微波發(fā)射器的頻率和時間關(guān)系RF、PW、PRF、fd、頻率調(diào)制、幅度調(diào)制聲音傳感器聲音發(fā)射體的頻率和時間關(guān)系fd、諧波、頻率比、水泵和發(fā)電機頻率以及特殊的噪聲源微波雷達Doppler調(diào)制，距離-橫截面反射圖像、調(diào)頻調(diào)相、編碼RF、PW、PRF、fd、RCS、圖像、碼的類型、碼長、距離、速度電視可視二維圖像形狀、構(gòu)成、內(nèi)部結(jié)構(gòu)、范圍SAR2D（距離-橫截面）反射圖像大小、縱橫

6、比、散射體的數(shù)量和位置激光雷達3D圖像反射圖像；Doppler調(diào)制；fd，大小、三維形狀、散射體位置、結(jié)構(gòu)mmw雷達一維反射或二維偏振圖像fd，散射體形狀、大小、比例結(jié)構(gòu)紅外成像二維熱輻射圖像形狀結(jié)構(gòu)、輻射能量、熱點數(shù)量、位置、范圍第8頁，共67頁，2022年，5月20日，21點29分，星期日5.3 識別技術(shù)概述模式識別技術(shù)描述身份說明的主要成分參數(shù)模板在特征空間確定先驗邊界以識別唯一的身份特征向量對于模板邊界的位置聚類算法把數(shù)據(jù)組合成為表示對象身份的自然聚類的技術(shù)特征向量對于一個先驗聚集的中心的接近程度神經(jīng)網(wǎng)絡模仿生物神經(jīng)連接，產(chǎn)生特征向量與身份分類之間的非線性變換輸入?yún)?shù)神經(jīng)網(wǎng)絡層與輸出身

7、份層之間的變換物理模型使用物理模型來預測作為對象身份函數(shù)的觀測數(shù)據(jù)（如雷達截面積，IR頻譜）觀測數(shù)據(jù)與預測數(shù)據(jù)的匹配基于知識的方法借助規(guī)則、符號表示、框架等表示對象的身份/特征確定觀測特征滿足表達式的程度的推理技術(shù)第9頁，共67頁，2022年，5月20日，21點29分，星期日5.3.1 相似性系數(shù)法數(shù)學模型模型特性（1）若X=Y，則RXY=1.0（2）若X=0或Y=0，則RXY=0（3）若X0， Y0，則0RXY1.0決策（1）若RXY1.0，則目標X被識別為Y（2）若RXY0.0，則目標X與Y不為同一目標（3）若RXY0.5，則不進行決策第10頁，共67頁，2022年，5月20日，21點29

8、分，星期日5.3.2 統(tǒng)計模式識別Bayesian統(tǒng)計模型Xi：未知目標特征向量；Ti：目標；Yi：已知目標特征矢量模型特性（1）對所有j=1，2，n，（2）對所有j=1，2，n，決策規(guī)則（1）對所有j=1，2，n，若 則目標Xi屬于目標Tk（2）對所有j=1，2，n，若 則目標Xi不屬于目標Tk第11頁，共67頁，2022年，5月20日，21點29分，星期日等價決策已知未知目標的檢驗統(tǒng)計量目標Tj的逆協(xié)方差（1）對所有j=1，2，n，若 則目標Xi屬于目標Tk（2）對所有j=1，2，n，若 則目標Xi不1屬于目標TkBayesian模型的限制（1）對于很多實際問題，難以獲得目標的概率估計；（

9、2）未知目標的先驗概率很難獲得；（3）目標的特征矢量，難以實時獲得。第12頁，共67頁，2022年，5月20日，21點29分，星期日5.3.3 參數(shù)模板法依賴于特征的選擇以及它們在特征空間的分布根據(jù)先驗信息，把一已知的多維特征空間分解成不同的區(qū)域，其中每一區(qū)域表示一個身份的類；利用參數(shù)模板，將未知目標的數(shù)據(jù)形成特征向量，根據(jù)投影在哪個區(qū)域進行分類；與關(guān)聯(lián)過程相近將特征向量的位置與特征空間中預先指定的位置進行比較；相似性度量特征空間可以多種類型的邊界來劃分幾何類，統(tǒng)計類等概念清楚、簡單第13頁，共67頁，2022年，5月20日，21點29分，星期日參數(shù)模板法例子第14頁，共67頁，2022年，5

10、月20日，21點29分，星期日5.3.4 聚類分析技術(shù)監(jiān)督式模式識別和非監(jiān)督式模式識別聚類分析試圖根據(jù)數(shù)據(jù)集內(nèi)部結(jié)構(gòu)或相似性將數(shù)據(jù)集分成若干個子集；確定樣本相似性的方法明氏距離、歐式距離等，類似于關(guān)聯(lián)度量聚類方法硬聚類方法：啟發(fā)式和劃分式 計算開銷少；缺點是：割斷了樣本之間的聯(lián)系，無法表達樣本間在性態(tài)和類屬方面的中介性，使得聚類結(jié)果的偏差較大模糊聚類方法：將樣本對各類的隸屬度擴展到0，1區(qū)間；要求每個樣本對各類的隸屬度之和為1可能性聚類方法：將樣本對各類的隸屬度擴展到0，1區(qū)間；不要求每個樣本對各類的隸屬度之和為1?？捎糜趯性肼暤臄?shù)據(jù)進行聚類。第15頁，共67頁，2022年，5月20日，2

11、1點29分，星期日1. 硬c-均值聚類算法（HCM）假設X=x1，x2,xn Rs是數(shù)據(jù)集，n是數(shù)據(jù)集中的元素個數(shù)，c是聚類中心個數(shù)，1cn。Dij=|xi-vj|是樣本點xi到聚類中心vj的歐式距離， vj Rs，1jc。uij是第i個樣本屬于第j個聚類中心的隸屬度，U=uij是一個nc階矩陣，V=v1，v2,vc 是一個sc階矩陣.硬c-均值聚類問題的表示隸屬度取0或1完備性第16頁，共67頁，2022年，5月20日，21點29分，星期日求解步驟第17頁，共67頁，2022年，5月20日，21點29分，星期日2. 模糊c-均值聚類算法（FCM）模糊聚類問題的一般表示通過最小化方法，解出最佳

12、隸屬度和聚類中心第18頁，共67頁，2022年，5月20日，21點29分，星期日3. 分層凝聚法基本思想：對每個觀測對都計算相似性度量，使用連接規(guī)則將最相似的觀測對聚集到一起，連續(xù)不斷地進行層次比較、聚集，直到將全部觀測聚集成一大類。五個基本步驟（1）收集采樣數(shù)據(jù)，將數(shù)據(jù)規(guī)格化（2）提取特征向量，作為聚類處理器的輸入；（3）對每個特征向量Yj，計算對其它特征向量Yk的相似性度量；（4）聚類，建立相似實體組（5）確認得到的聚類解分為：單連接，全連接，平均連接第19頁，共67頁，2022年，5月20日，21點29分，星期日第20頁，共67頁，2022年，5月20日，21點29分，星期日最短距離最遠

13、距離a1Ab1b2Ba2第21頁，共67頁，2022年，5月20日，21點29分，星期日5.3.5 自適應神經(jīng)網(wǎng)絡模仿生物神經(jīng)連接，產(chǎn)生特征向量與身份分類之間的非線性變換神經(jīng)元函數(shù)非線性函數(shù)：階梯函數(shù)、反曲形函數(shù)構(gòu)造神經(jīng)網(wǎng)絡的考慮網(wǎng)絡模型的選擇（內(nèi)部連接性、非線性函數(shù)的選擇）；層數(shù)和節(jié)點數(shù)的選?。挥柧毑呗苑诸惗M輸入網(wǎng)絡：有學習的（Hopfield網(wǎng),Hanming網(wǎng)）；無監(jiān)督的連續(xù)值輸入網(wǎng)絡：多層感知器；Konnen網(wǎng)訓練策略BP算法（后向擴散）：使實際的網(wǎng)絡輸出向量與期望輸出之間的均方差達極小第22頁，共67頁，2022年，5月20日，21點29分，星期日第23頁，共67頁，2022年，5

14、月20日，21點29分，星期日第24頁，共67頁，2022年，5月20日，21點29分，星期日1. BP 學習規(guī)則一般的前饋運算 判別函數(shù)網(wǎng)絡學習考慮一個模式的訓練誤差，tk：輸出端的期望輸出值；zk：實際輸出,構(gòu)造訓練誤差函數(shù)基于梯度下降法第25頁，共67頁，2022年，5月20日，21點29分，星期日（1）由隱含層到輸出層第26頁，共67頁，2022年，5月20日，21點29分，星期日（2）由輸入層到隱含層第27頁，共67頁，2022年，5月20日，21點29分，星期日2.用于身份說明的BP網(wǎng)絡模型三層結(jié)構(gòu)：輸入層、隱含層和輸出層輸入信息通過隱含層映射到輸出層；映射誤差又回送到輸入層；當總

15、的映射誤差趨近于零時，完成映射第28頁，共67頁，2022年，5月20日，21點29分，星期日第29頁，共67頁，2022年，5月20日，21點29分，星期日3.輸出函數(shù)特性意味著在三層BP模型的輸出層，Yi是一個真正的概率密度函數(shù)第30頁，共67頁，2022年，5月20日，21點29分，星期日4. BP網(wǎng)絡的訓練第31頁，共67頁，2022年，5月20日，21點29分，星期日第32頁，共67頁，2022年，5月20日，21點29分，星期日5.3.6 物理模型根據(jù)一個實際的物理模型設法直接計算實體的特征信號，即時域數(shù)據(jù)、頻域數(shù)據(jù)和圖像識別過程：將觀測信號與預存的特征信號或一個模擬信號進行比較缺

16、點：復雜，難以實時獲得適用于研究潛在的物理現(xiàn)象，或非實時性研究第33頁，共67頁，2022年，5月20日，21點29分，星期日第34頁，共67頁，2022年，5月20日，21點29分，星期日5.3.7 基于知識的方法避開了物理模型，力圖模仿人類在進行目標身份識別所使用的認識途徑和推理方法；專家系統(tǒng)：使用知識表示技術(shù)和推理方法對所觀測的事物進行推斷；邏輯模板：是參數(shù)模板技術(shù)的推廣，可以對邏輯關(guān)系進行處理。核心是知識的表示和推理方法知識表示技術(shù)：包括 規(guī)則、框架和劇本，所收集的規(guī)則、框架和劇本的集合稱為知識庫；推理技術(shù)：包括布爾邏輯、決策樹、模糊邏輯等；可以應用于身份說明的專用知識表示重點是確定對

17、象的屬性和對象之間的關(guān)系。適用于能夠通過基本分量的聚集或通過分量的相互關(guān)系來識別對象；或者說適用于實體的概念很復雜的情況依賴于尋求對實體身份的實體分量和構(gòu)造的基本理解。第35頁，共67頁，2022年，5月20日，21點29分，星期日第36頁，共67頁，2022年，5月20日，21點29分，星期日5.4 身份融合 身份融合的層次（1）數(shù)據(jù)級融合：來自同類型或者相同量級的傳感器數(shù)據(jù)直接進行融合，然后從融合的數(shù)據(jù)中進行特征提取和生成身份說明；（2）特征級融合：獲得每個傳感器的特征向量，融合特征向量，基于聯(lián)合的特征向量來生成身份說明；（3）決策級融合：每個傳感器獲得獨立的身份說明，再進行融合。第37頁

18、，共67頁，2022年，5月20日，21點29分，星期日第38頁，共67頁，2022年，5月20日，21點29分，星期日身份融合算法的分類物理模型模擬估計Kalman濾波MLELS基于特征的推理技術(shù)有參技術(shù)經(jīng)典推理Bayes推理D-S證據(jù)推理聚類算法無參技術(shù)自適應神經(jīng)網(wǎng)絡表決方法熵技術(shù)品質(zhì)因數(shù)相關(guān)度量門限邏輯基于認識的模型邏輯模板基于知識的系統(tǒng)知識表示推理方法搜索技術(shù)不確定性表示模糊集理論物理模型：力圖精確地仿造可觀測的傳感器數(shù)據(jù)（如RCS、IR頻譜），并通過預測的觀測與實際數(shù)據(jù)的匹配來估計身份。困難在于開發(fā)物理模型的不可行性：目標多且復雜，建模非常困難。基于特征的推理：不采用物理模型，直接在

19、身份數(shù)據(jù)和身份報告之間進行映射。有參技術(shù)需要身份數(shù)據(jù)的先驗知識，無參技術(shù)不需要先驗知識基于認知的方法力圖模仿人在識別實體身份是的思維和推理過程第39頁，共67頁，2022年，5月20日，21點29分，星期日5.4.1 經(jīng)典推理1. 二值假設檢驗假定： （1）H0表示觀測數(shù)據(jù)不是身份為N引起的事件，有概率密度函數(shù)f(x|H0);（2） H1表示觀測數(shù)據(jù)是身份為N引起的事件，有概率密度函數(shù)f(x|H1);四種決策結(jié)果：第40頁，共67頁，2022年，5月20日，21點29分，星期日2.經(jīng)典推理的應用例雷達發(fā)射機的識別問題：兩部雷達均采用碼捷變的方式，捷變規(guī)律均服從正態(tài)分布，但兩者有不同的平均值E1

20、和E2 。P150 圖5-12雷達信號的二元檢測第41頁，共67頁，2022年，5月20日，21點29分，星期日經(jīng)典推理可推廣到多傳感器多源數(shù)據(jù)情況，但需要有多維概率密度函數(shù)的先驗知識。經(jīng)典推理的缺陷：（1）同時只能處理兩個假設，難以處理多變量數(shù)據(jù)；（2）沒有利用先驗似然估計，要求已知概率密度的先驗知識。3.經(jīng)典推理的缺陷第42頁，共67頁，2022年，5月20日，21點29分，星期日5.4.2 Bayes推理1. Bayes定理 假設O1， O2， On表示n個互不相容的完備事件，在事件E出現(xiàn)的情況下，出現(xiàn)的概率為 第43頁，共67頁，2022年，5月20日，21點29分，星期日2. Bay

21、es理論基于新的證據(jù)更新不確定性的方法 第44頁，共67頁，2022年，5月20日，21點29分，星期日第45頁，共67頁，2022年，5月20日，21點29分，星期日Bayes 組合規(guī)則第46頁，共67頁，2022年，5月20日，21點29分，星期日3. Bayes理論用于融合的例子（1）看病的例子第47頁，共67頁，2022年，5月20日，21點29分，星期日3. Bayes理論用于融合的例子例2 一個傳感器檢測概率為0.9，虛警概率為0.05，三個傳感器給出獨立的三個判決（1，0，1），對結(jié)果進行融合。如果判決為（0，1，0），則有第48頁，共67頁，2022年，5月20日，21點29分

22、，星期日4. 經(jīng)典概率推理與Bayes推理的比較經(jīng)典概率特點：用概率模型把觀測數(shù)據(jù)與所有樣本數(shù)據(jù)聯(lián)系起來概率模型通常是基于大量樣本得到的判決規(guī)則：最大似然法，Neyman-Pearson方法，Bayes損失函數(shù)等等Bayes推理特點：由已知證據(jù)可以確定假設事件出現(xiàn)的概率出現(xiàn)新證據(jù)時，假設事件的似然函數(shù)可以通過沒有出現(xiàn)新證據(jù)時的似然函數(shù)和出現(xiàn)新證據(jù)的概率來更新客觀概率和主觀概率估計都可以使用（即不必需要概率密度函數(shù)）主觀概率來自于經(jīng)驗，并且允許每個人的取值不同同一時刻，可支持兩個以上的假設事件 第49頁，共67頁，2022年，5月20日，21點29分，星期日4. 經(jīng)典概率推理與Bayes推理的比

23、較經(jīng)典概率缺點：當使用多個傳感器從而推廣到多位數(shù)據(jù)時，需要知道先驗知識和多維概率密度分布函數(shù)通常，在某一時刻只能判決兩種假設沒有利用主觀先驗知識Bayes推理缺點：必須要定義先驗概率和似然函數(shù)各假設事件必須互斥如果有多個假設事件或多個條件事件相關(guān)時，使計算復雜性加大不能支持不確定類的問題 第50頁，共67頁，2022年，5月20日，21點29分，星期日5.4.3 Dempster-Shafer證據(jù)理論1. 基本理論 辨識框架，記作：定義為一個互不相容事件的完備集合。Bayes推理是對中的元素進行運算，而D-S證據(jù)理論是對2中的元素進行運算。引入命題信任度的概念，Bel(A)+Bel(A)1基本

24、概率賦值函數(shù)第51頁，共67頁，2022年，5月20日，21點29分，星期日命題的信任函數(shù)命題的似然函數(shù)第52頁，共67頁，2022年，5月20日，21點29分，星期日命題的信任區(qū)間第53頁，共67頁，2022年，5月20日，21點29分，星期日第54頁，共67頁，2022年，5月20日，21點29分，星期日從傳感器提供的信息計算不確定區(qū)間的例子考慮某時刻一共可能有的三種類型的目標a1,a2和a3被單傳感器 A探測到，傳感器 A的識別框架為=a1,a2,a3A的反命題為a1= a2,a3假設傳感器分配給各命題的概率分配值為第55頁，共67頁，2022年，5月20日，21點29分，星期日2. D-S證據(jù)理論用于融合 第56頁，共67頁，2022年，5月20日